《腦機接口中的深度腦電特徵學習》是依託華南理工大學，由顧正暉擔任項目負責人的面上項目。
基本介紹
- 中文名：腦機接口中的深度腦電特徵學習
- 項目類別：面上項目
- 項目負責人：顧正暉
- 依託單位：華南理工大學
項目摘要,結題摘要,
項目摘要
腦機接口的性能很大程度上取決於特徵提取和分類器學習的有效性。考慮基於頭皮腦電的腦機接口，一般系統中的特徵提取常基於人工選擇的經驗模型，並用腦電數據訓練確定其參數。這種處理框架存在幾個重要問題：（1）從經驗模型得到特徵，無法保證最優性；（2）腦電信號具有低信噪比和非平穩等特性，傳統方法無法保證很好的穩定性和一致性。因此，尋找更加合理有效的特徵提取方法是今後腦機接口發展的重要方向。從實際數據中學習有效的特徵是解決上述問題的可能途徑，而深度學習理論框架為此提供了很好的數學手段。本項目擬採用深度學習作為基本理論工具，利用其優異的特徵學習能力，通過建立類似於人腦的分層模型結構提取更能刻畫問題本質的特徵，提高腦機接口的性能。同時，從基於數據獲得的有效特徵中，探索新特徵的物理意義和神經機制，進一步揭示腦機接口的生理和理論本質並推動其套用。
結題摘要
腦機接口的性能很大程度上取決於特徵提取和分類器學習的有效性。考慮基於頭皮腦電的腦機接口，一般系統中的特徵提取常基於人工選擇的經驗模型，並用腦電數據訓練確定其參數。這種處理框架存在幾個重要問題：（1）從經驗模型得到特徵，無法保證最優性；（2）腦電信號具有低信噪比和非平穩等特性，傳統方法無法保證很好的穩定性和一致性。因此，尋找更加合理有效的特徵提取方法是今後腦機接口發展的重要方向。從實際數據中學習有效的特徵是解決上述問題的可能途徑，而深度學習理論框架為此提供了很好的數學手段。本項目擬採用深度學習作為基本理論工具，利用其優異的特徵學習能力，通過建立類似於人腦的分層模型結構提取更能刻畫問題本質的特徵，提高腦機接口的性能。同時，從基於數據獲得的有效特徵中，探索新特徵的物理意義和神經機制，進一步揭示腦機接口的生理和理論本質並推動其套用。
